A class of indirect inference estimators: higher‐order asymptotics and approximate bias correction
一类间接推断估计量：高阶渐近性质与近似偏误校正AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论一般间接推断与高阶偏误校正理论，未明确指向所列具体应用领域或模型细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
一类间接推断估计量：高阶渐近性质与近似偏误校正
- 研究问题
- 能否借助辅助估计量的矩近似简化间接推断，并在特定条件下消除高阶偏误，而不增加同阶近似均方误差？
- 方法与思路
- 作者定义基于辅助估计量矩近似的一类间接推断估计量，推导高阶展开，再扩展到多步程序，并以三组蒙特卡洛实验检验。
- 材料陈述的贡献
- 摘要称，在其假设框架及确定性权重、仿射绑定函数下，估计量二阶无偏；多步扩展可消除更高阶偏误而不增加同阶近似均方误差。
- 阅读关注点
- 应核对确定性权重和仿射绑定函数的限制、模拟样本数量不进入二阶近似均方误差的条件，以及多步程序的误差阶数。
- 阅读边界
- 摘要未列出完整假设、展开公式和模拟结果；高阶近似无偏及均方误差不变，不等于有限样本精确无偏或实际风险必然不增。
原文摘要
In this paper, we define a set of indirect inference estimators based on moment approximations of the auxiliary estimators. Their introduction is motivated by reasons of analytical and computational facilitation. Their definition provides an indirect inference framework for some classical bias correction procedures. We derive higher‐order asymptotic properties of these estimators. We demonstrate that under our assumption framework, and in the special case of deterministic weighting and affinity of the binding function, these are second‐order unbiased. Moreover, their second‐order approximate mean square errors do not depend on the cardinality of the Monte Carlo or bootstrap samples that our definition might involve. Consequently, the second‐order mean square error of the auxiliary estimator is not altered. We extend this to a class of multistep indirect inference estimators that have zero higher‐order bias without increasing the approximate mean square error, up to the same order. Our theoretical results are also validated by three Monte Carlo experiments.